Oct, 2018

解耦分类细化：对目标检测中的 硬错误警报的抑制

PDF
TL;DR分析目标检测器的失败情况，探讨由分类而非定位引起的错误强阳性，提出 Decoupled Classification Refinement（DCR）网络来消除这些错误，将实验结果与 PASCAL VOC 和 COCO 数据集进行比较。
发现论文，激发创造
  • 重新审视 RCNN：唤醒 Faster RCNN 的分类能力

    本文提出了一种针对现有目标检测器分类失败问题设计的基于多任务学习的解决方案，其中使用一种 Decoupled Classification Refinement（DCR）网络对分类错误进行有效的样本采样和重新分类。

    Mar, 2018

  • 解耦稠密物体检测器

    研究了密集目标检测器中存在的三个集合问题，提出了一种基于简单有效的解耦机制的新型密集物体检测器，通过在 MS COCO 基准测试上的大量实验证明其可以取得的最先进性能。

    Jul, 2021

  • DeFRCN：用于少样本物体检测的解耦快速 R-CNN

    本文提出了一种名为 Decoupled Faster R-CNN (DeFRCN) 的简单而有效的体系结构，通过引入 Gradient Decoupled Layer 和 Prototypical Calibration Block 来解决数据稀少场景下的性能问题，在多个基准测试中都表现出优秀的性能表现，并成为少样本文献领域的新的最佳模型。

    Aug, 2021

  • 密集目标检测的 Focal Loss

    本文研究了单阶段物体检测器比两阶段物体检测器速度更快，但精度更低的原因，并提出了一种名为 Focal Loss 的做法，以解决稠密检测器训练中遇到的前景背景类别不平衡问题，该方法能够提高准确性。在该方法的基础上设计了一种名为 RetinaNet 的密集型检测器，取得了超过现有首屈一指的两阶段检测器的精度。

    Aug, 2017

  • 基于深度特征的目标检测上下文模型

    本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

    Apr, 2016

  • 无偏的新类别发现和定位

    通过 Debiased Region Mining (DRM) 方法和半监督对比学习来解决目标检测中的偏见问题，提出了一种能够有效发现、定位和聚类新类别的训练器，其在 NCDL 基准测试中显著优于先前的方法，成为了新的最先进技术。

    Feb, 2024

  • DR Loss: 通过分布式排序提高目标检测精度

    本篇论文提出了分布式排名（DR）损失，以在单一阶段识别前景物体时处理前景和背景类别的数量不平衡和背景候选难度的不平衡。本方法不仅缓解了背景候选的内类别不平衡问题，而且提高了排名算法的效率。将 DR 损失应用于 RetinaNet 中，应用 ResNet-101 作为主干网络，单尺度测试的 mAP 即可从 39.1% 提高到 41.7%，证明了所提出的损失函数的有效性。

    Jul, 2019

  • 解耦的 DETR：空间分离定位和分类以改善端到端对象检测

    通过空间解耦 DETR（SD-DETR）设计方案和任务感知查询生成模块，以及通过引入对齐损失的新颖设计，我们在 MSCOCO 数据集上展示了在目标检测任务中 DETR 性能的显著提升，例如我们将 Conditional DETR 的性能提高了 4.5 AP。

    Oct, 2023

  • DeLR: 基于分离定位和识别查询的主动学习检测

    提出一种名为 DeLR 的高效查询策略，通过解耦定位和识别，减少对象检测中的注释成本，并在几个基准测试中证明其优越性。

    Dec, 2023

  • 终身目标检测

    本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法，以持续或终身学习实时物体检测，实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。

    Sep, 2020